Data para la sesión

Para esta sesión, los datos puedes descargarlos en tu carpeta data desde este enlace.

Lab 5 - Comunidades en las Redes

Carga de datos

Usemos de nuevo los datos de los innovadores en Seattle:

Como se ve, tenemos la matriz de adyacencia, la cual abriremos esta vez en R:

# limpiar memoria
rm(list = ls())

# abrir red
adjacency=read.csv(file.path('data','seattleTop_adjMx.csv'),row.names = 1) # la tabla tiene este nombre
matrix <- as.matrix(adjacency) 

# abrir atributos
attributes=read.csv(file.path('data','seattleTop_attrTbl.csv')) # la tabla tiene este nombre

En R, es común usar igraph para análisis básicos de redes. Creamos primero la red usando la matriz de adyacencia:

library(igraph)
topsNet <- graph_from_adjacency_matrix(matrix, mode="directed",weighted = TRUE) 
summary(topsNet)

## IGRAPH aeeddde DNW- 46 588 -- 
## + attr: name (v/c), weight (e/n)

Como se ve, igraph nos informa que se ha creado la red asignándole un código (irrelevante), que es una red dirigida (DNW, la W indica que ha creado pesos en los enlaces), con 46 nodos y 588 enlaces. Indica que tiene un atributo name para los vértices (nodos) de tipo cáracter (texto), y que los enlaces (edges) tienen un atributo weight de tipo numérico.

Como tenemos una tabla con más atributos para los nodos, podemos añadirlos fácilmente:

V(topsNet)$male <- attributes$male
V(topsNet)$popularity <- attributes$followers

# ahora
summary(topsNet)

## IGRAPH aeeddde DNW- 46 588 -- 
## + attr: name (v/c), male (v/n), popularity (v/n), weight (e/n)

Ya están los nuevos atributos para vértices, popularity y male, ambos de tipo numérico.

Exportemos esta red para que pueda ser leída por Gephi:

igraph::write_graph(topsNet,file.path('data',"topsNetFull.graphml"),
  format = "graphml")

Recordemos que nuestra red de Seattletonians:

No todos los nodos pueden llegar a otro nodo:

is_connected(topsNet,mode = c("strong"))

## [1] FALSE

Hay algunos grupos de nodos que sí pueden alcanzarse entre sí:

count_components(topsNet, mode = c("strong"))

## [1] 4

Estos son los que pueden alcanzarse entre sí:

g_comp=igraph::components(topsNet, mode = c("strong"))
g_comp

## $membership
##     rachelerman    mattmcilwain   DaveParkerSEA      toddbishop      ashannstew 
##               1               1               1               1               1 
##  LeslieFeinzaig         akipman       matt_oppy         gilbert    juliesandler 
##               1               1               1               1               1 
##         BradSmi        crashdev    ShaunaCausey    john_gabbert      moniguzman 
##               1               1               1               1               1 
##        mattmday     Rich_Barton           daryn    lovelletters         etzioni 
##               1               1               1               1               1 
##   MissDestructo   heatherredman      danshapiro        medinism    KieranSnyder 
##               1               1               1               1               1 
##           hadip RajSinghSeattle       funcOfJoe   kirbywinfield         stevesi 
##               1               1               1               1               1 
##     Ryanintheus      sonalpmane        SoGulley  X2morrowknight          jinman 
##               1               1               1               3               1 
##           tarah     Jenerationy         lanctot   Kristen_Hammy     nhuntwalker 
##               4               1               1               1               1 
##    eugenio_pace         JenMsft   PeterHamilton      sarahstood     mcolacurcio 
##               2               1               1               1               1 
## marybethlambert 
##               1 
## 
## $csize
## [1] 43  1  1  1
## 
## $no
## [1] 4

Guardemos la membresía a esos componentes como un atributo del nodo:

V(topsNet)$component=g_comp$membership

Vemos que uno de los componentes strongly connected es muy numeroso. Para efectos prácticos, quedémonos con ese:

# seleccionando
nodes_Subset=V(topsNet)[V(topsNet)$component==1]
# filtrando red
topsNet_giant=induced_subgraph(topsNet, nodes_Subset)

# ahora:
summary(topsNet_giant)

## IGRAPH 0175a96 DNW- 43 575 -- 
## + attr: name (v/c), male (v/n), popularity (v/n), component (v/n),
## | weight (e/n)

Exportemos esta sub red para que pueda ser leída por Gephi:

igraph::write_graph(topsNet_giant,file.path('data',"topsNet_giant.graphml"),
  format = "graphml")

Veamos algunos valores importantes:

¿Qué tan cerca está esta red strongly connected de ser una red complete?

edge_density(topsNet_giant)

## [1] 0.3183832

¿Cuál es su diámetro y qué nodos son?

farthest_vertices(topsNet_giant)

## $vertices
## + 2/43 vertices, named, from 0175a96:
## [1] akipman    sonalpmane
## 
## $distance
## [1] 4

¿Qué tan recíproca es?

reciprocity(topsNet_giant)

## [1] 0.6782609

¿Qué tanta homofilia hay en la red?
Hacia los más conectados:

assortativity_degree(topsNet_giant,directed = T)

## [1] -0.248864

Hacia los del mismo sexo:

assortativity(topsNet_giant, values=V(topsNet_giant)$male, directed = T)

## [1] 0.06411198

Hacia mismo nivel de popularidad:

assortativity(topsNet_giant, values=V(topsNet_giant)$popularity, directed = T)

## [1] -0.01605838

Usando Gephi

Abramos topsNet_giant.graphml, y a continuación:

Verifiquemos que tiene la misma cantidad de nodos, enlaces; y que es de tipo dirigido.
Calculemos la densidad, su diámetro.
Comparemos

Figura 1. Resultados para Densidad y Diametro.

En busca de comunidades

Un paso inicial es saber qué tan alto es el coeficiente de clusterización:

¿Qué tan probable es que dos nodos con un nodo en común también estén conectados?

El promedio de cada nodo:

Figura 2. Coeficiente de Clusterización como promedio local.

transitivity(as.undirected(topsNet_giant,mode='collapse'),type = "localaverage")

## [1] 0.645001

El promedio de la red:

Figura 3. Coeficiente de Clusterización global.

transitivity(as.undirected(topsNet_giant,mode='collapse'),type = "global")

## [1] 0.5666072

Aquí igraph ha implementado el algoritmo sólo para el caso no dirigido. Por lo que probablemente este valor sea mayor al caso dirigido. Con un valor mayor a 0.5, podemos asumir que se puede encontrar clusters.

Usando Gephi

Con el grafo actual (topsNet_giant.graphml), Calculemos el coeficiente de clusterización en Gephi y comparemos.

Figura 4. Resultados para Coeficiente de clusterización.

El Clique

Para darle más soporte a nuestra búsqueda de comunidades, hay que explorar la presencia de cliques.El clique es un conjunto de nodos donde todos pueden conectarse con todos. Para este caso, usarameos la librería statnet.

Como nuestra red la creamos con igraph, hay que convertirlo a grafo de statnet:

topsNet_giant_net <- intergraph::asNetwork(topsNet_giant)

# ya es de statnet:
topsNet_giant_net

##  Network attributes:
##   vertices = 43 
##   directed = TRUE 
##   hyper = FALSE 
##   loops = FALSE 
##   multiple = FALSE 
##   bipartite = FALSE 
##   total edges= 575 
##     missing edges= 0 
##     non-missing edges= 575 
## 
##  Vertex attribute names: 
##     component male popularity vertex.names 
## 
##  Edge attribute names: 
##     weight

Nuestro propósito aquí es saber si hay cliques:

library(statnet)
census <- clique.census(topsNet_giant_net)
# aqui vemos
census$clique.count

##   Agg rachelerman mattmcilwain DaveParkerSEA toddbishop ashannstew
## 1   0           0            0             0          0          0
## 2  10           0            2             0          0          0
## 3  17           2            0             2          2          0
## 4  13           4            2             1         12          0
## 5   9           2            0             0          8          1
## 6  12           6            0             3          8          1
## 7   6           4            0             1          6          2
## 8   2           2            0             2          2          0
## 9   1           1            0             1          1          0
##   LeslieFeinzaig akipman matt_oppy gilbert juliesandler BradSmi crashdev
## 1              0       0         0       0            0       0        0
## 2              0       1         0       0            0       2        1
## 3              0       0         1       2            1       1        2
## 4              0       0         0       1            4       2        0
## 5              3       0         0       0            2       0        2
## 6              4       0         3       0            9       0        2
## 7              4       0         1       0            4       0        1
## 8              1       0         1       0            2       0        0
## 9              1       0         0       0            1       0        0
##   ShaunaCausey john_gabbert moniguzman mattmday Rich_Barton daryn lovelletters
## 1            0            0          0        0           0     0            0
## 2            0            0          0        1           1     0            0
## 3            3            0          4        0           1     0            0
## 4            5            0          4        2           0     1            0
## 5            2            0          3        2           0     1            3
## 6            3            2          3        0           0     1            8
## 7            3            0          1        0           0     0            5
## 8            2            0          0        0           0     0            2
## 9            1            0          0        0           0     0            1
##   etzioni MissDestructo heatherredman danshapiro medinism KieranSnyder hadip
## 1       0             0             0          0        0            0     0
## 2       1             0             0          0        2            1     0
## 3       0             0             2          4        0            2     3
## 4       2             2             0          0        0            2     0
## 5       0             2             5          0        0            1     0
## 6       1             5             5          0        0            1     0
## 7       1             3             4          0        0            0     0
## 8       1             0             1          0        0            0     0
## 9       0             1             1          0        0            0     0
##   RajSinghSeattle funcOfJoe kirbywinfield stevesi Ryanintheus sonalpmane
## 1               0         0             0       0           0          0
## 2               2         1             1       1           0          0
## 3               2         0             2       5           2          0
## 4               0         0             0       0           1          0
## 5               0         0             1       3           1          0
## 6               0         0             2       2           1          2
## 7               0         0             0       1           0          0
## 8               0         0             0       0           0          0
## 9               0         0             0       0           0          0
##   SoGulley jinman Jenerationy lanctot Kristen_Hammy nhuntwalker JenMsft
## 1        0      0           0       0             0           0       0
## 2        0      0           0       1             0           1       1
## 3        1      0           3       0             0           2       0
## 4        0      1           0       1             1           0       0
## 5        0      0           0       0             2           0       0
## 6        0      0           0       0             0           0       0
## 7        1      0           0       0             0           0       0
## 8        0      0           0       0             0           0       0
## 9        0      0           0       0             0           0       0
##   PeterHamilton sarahstood mcolacurcio marybethlambert
## 1             0          0           0               0
## 2             0          0           0               0
## 3             1          0           0               1
## 4             1          2           1               0
## 5             0          0           1               0
## 6             0          0           0               0
## 7             0          0           0               0
## 8             0          0           0               0
## 9             0          0           0               0

La cantidad de filas nos dice los tamaños de los cliques máximales, es decir, un clique que no se puede ampliar incluyendo un nodo adyacente más (no es un subconjunto de un camarilla más grande):

Ningun clique de tamaño 1:

census$clique.count[1,1]

## [1] 0

10 cliques de tamaño 2:

census$clique.count[2,1]

## [1] 10

1 clique de tamaño 9:

census$clique.count[9,1]

## [1] 1

Figura 5. Cliques máximales y no maximales.

Si hay cliques, se sospecha la presencia de comunidades.

Detección de comunidades

Estrategia Divisiva (Top-Down): Veamos cómo se cálcula comunidades basadas en la intermediación, es decir comunidades que aparecen al remover los enlaces con alta intermediación:

sort(edge_betweenness(topsNet_giant,directed = T),decreasing = T)[1:5]

## [1] 42.12500 41.80284 26.52518 26.29048 23.73203

l=layout_with_fr(topsNet_giant)
plot(topsNet_giant,layout=l,edge.arrow.size=1,vertex.label='',
     edge.color=ifelse(edge_betweenness(topsNet_giant)>40,'red','grey90'))

El trabajo sería ir eliminando vertices hasta quedarse con la ‘mejor’ partición. Esto lo hace directamente el algoritmo the Girvan-Newman:

topsNet_giant_GN <- cluster_edge_betweenness(topsNet_giant, directed=T)
topsNet_giant_GN

## IGRAPH clustering edge betweenness, groups: 2, mod: 0.0032
## + groups:
##   $`1`
##    [1] "rachelerman"     "mattmcilwain"    "DaveParkerSEA"   "toddbishop"     
##    [5] "ashannstew"      "LeslieFeinzaig"  "matt_oppy"       "gilbert"        
##    [9] "juliesandler"    "BradSmi"         "crashdev"        "ShaunaCausey"   
##   [13] "john_gabbert"    "moniguzman"      "mattmday"        "Rich_Barton"    
##   [17] "daryn"           "lovelletters"    "etzioni"         "MissDestructo"  
##   [21] "heatherredman"   "danshapiro"      "medinism"        "KieranSnyder"   
##   [25] "hadip"           "RajSinghSeattle" "funcOfJoe"       "kirbywinfield"  
##   [29] "stevesi"         "Ryanintheus"     "sonalpmane"      "SoGulley"       
##   [33] "jinman"          "Jenerationy"     "lanctot"         "Kristen_Hammy"  
##   + ... omitted several groups/vertices

Se indica que ha encontrado sólo dos comunidades. Nótese que indica que este resultado es el que dió la ’mejor” partición: la mejor modularidad:

modularity(topsNet_giant_GN)

## [1] 0.003175803

El detalle de las dos comunidades lo vemos así:

communities(topsNet_giant_GN)

## $`1`
##  [1] "rachelerman"     "mattmcilwain"    "DaveParkerSEA"   "toddbishop"     
##  [5] "ashannstew"      "LeslieFeinzaig"  "matt_oppy"       "gilbert"        
##  [9] "juliesandler"    "BradSmi"         "crashdev"        "ShaunaCausey"   
## [13] "john_gabbert"    "moniguzman"      "mattmday"        "Rich_Barton"    
## [17] "daryn"           "lovelletters"    "etzioni"         "MissDestructo"  
## [21] "heatherredman"   "danshapiro"      "medinism"        "KieranSnyder"   
## [25] "hadip"           "RajSinghSeattle" "funcOfJoe"       "kirbywinfield"  
## [29] "stevesi"         "Ryanintheus"     "sonalpmane"      "SoGulley"       
## [33] "jinman"          "Jenerationy"     "lanctot"         "Kristen_Hammy"  
## [37] "nhuntwalker"     "PeterHamilton"   "sarahstood"      "mcolacurcio"    
## [41] "marybethlambert"
## 
## $`2`
## [1] "akipman" "JenMsft"

La pertenecia a cada grupo podemos guardarla como un atributo:

V(topsNet_giant)$GNpartition=topsNet_giant_GN$membership

Veamos el resultado de manera gráfica:

l=layout_with_kk(topsNet_giant)

plot(topsNet_giant_GN,topsNet_giant,rescale=T, layout=l,vertex.label='',edge.arrow.size=.2)

Estrategia Aglomerativa (BottomUp): Veamos el uso del algoritmo Louvain, un algoritmo que va agrupando a los nodos en pequenos grupos, deteniendose cuando la modularidad no mejora:

topsNet_giant_LV=cluster_louvain(as.undirected(topsNet_giant,mode="mutual"))
topsNet_giant_LV

## IGRAPH clustering multi level, groups: 4, mod: 0.2
## + groups:
##   $`1`
##    [1] "rachelerman"   "ashannstew"    "matt_oppy"     "gilbert"      
##    [5] "juliesandler"  "crashdev"      "john_gabbert"  "mattmday"     
##    [9] "daryn"         "danshapiro"    "medinism"      "KieranSnyder" 
##   [13] "Kristen_Hammy"
##   
##   $`2`
##   [1] "mattmcilwain"    "akipman"         "BradSmi"         "Rich_Barton"    
##   [5] "etzioni"         "hadip"           "RajSinghSeattle" "funcOfJoe"      
##   
##   + ... omitted several groups/vertices

Veamos la modularidad obtenida:

modularity(topsNet_giant_LV)

## [1] 0.1993162

Y las comunidades:

communities(topsNet_giant_LV)

## $`1`
##  [1] "rachelerman"   "ashannstew"    "matt_oppy"     "gilbert"      
##  [5] "juliesandler"  "crashdev"      "john_gabbert"  "mattmday"     
##  [9] "daryn"         "danshapiro"    "medinism"      "KieranSnyder" 
## [13] "Kristen_Hammy"
## 
## $`2`
## [1] "mattmcilwain"    "akipman"         "BradSmi"         "Rich_Barton"    
## [5] "etzioni"         "hadip"           "RajSinghSeattle" "funcOfJoe"      
## 
## $`3`
##  [1] "DaveParkerSEA"   "toddbishop"      "ShaunaCausey"    "moniguzman"     
##  [5] "Ryanintheus"     "SoGulley"        "jinman"          "Jenerationy"    
##  [9] "lanctot"         "nhuntwalker"     "PeterHamilton"   "sarahstood"     
## [13] "mcolacurcio"     "marybethlambert"
## 
## $`4`
## [1] "LeslieFeinzaig" "lovelletters"   "MissDestructo"  "heatherredman" 
## [5] "kirbywinfield"  "stevesi"        "sonalpmane"     "JenMsft"

La pertenecia a cada grupo podemos guardarla nuevamente como un atributo del nodo:

V(topsNet_giant)$LVpartition=topsNet_giant_LV$membership

Aqui de manera gráfica:

l=layout_with_kk(topsNet_giant)

plot(topsNet_giant_LV,topsNet_giant,layout=l,vertex.label='',edge.arrow.size=.2)

Usando Gephi

Con el grafo actual (topsNet_giant.graphml), calculemos comunidades con la función Modularidad de Gephi (usa la técnica Louvain) . Notemos las diferencias (particiones, modularidad, membresía).

Figura 6. Resultados para cálculo de comunidades.

Revelando roles

Agujeros Estructurales

Un tema clave es encontrar, en medio de todos los nodos, aquellos cuya posición y patrón de conexiones nos revele que tienen mejores condiciones para facilitar o restringir el flujo que se traslada por la red. Nótese en la Figura 7 la presencia de agujeros, y la emergencia de nodos que median el flujo entre subredes.

Por ejemplo, podemos calcular los tres nodos más claves siguiendo esa idea:

#install.packages("influenceR", dependencies = TRUE)

influenceR::keyplayer(topsNet_giant,3)

## + 3/43 vertices, named, from 0175a96:
## [1] toddbishop   ShaunaCausey KieranSnyder

Alternativamente, podemos revelar quiénes tienen menos restricciones en la red para lo mismo:facilitar o restringir el flujo que se traslada por la red.

igraph::constraint(topsNet_giant)

##     rachelerman    mattmcilwain   DaveParkerSEA      toddbishop      ashannstew 
##       0.1159127       0.1433083       0.1145126       0.1013494       0.1394147 
##  LeslieFeinzaig         akipman       matt_oppy         gilbert    juliesandler 
##       0.1430804       0.2765752       0.1314037       0.1393513       0.1156528 
##         BradSmi        crashdev    ShaunaCausey    john_gabbert      moniguzman 
##       0.1502496       0.1227078       0.1123185       0.2234507       0.1195957 
##        mattmday     Rich_Barton           daryn    lovelletters         etzioni 
##       0.1487804       0.1371157       0.1775320       0.1258692       0.1381820 
##   MissDestructo   heatherredman      danshapiro        medinism    KieranSnyder 
##       0.1282831       0.1182542       0.1493675       0.1853486       0.1278971 
##           hadip RajSinghSeattle       funcOfJoe   kirbywinfield         stevesi 
##       0.1194759       0.1334484       0.1887772       0.1414997       0.1135172 
##     Ryanintheus      sonalpmane        SoGulley          jinman     Jenerationy 
##       0.1431305       0.1661130       0.1287263       0.2464649       0.1454532 
##         lanctot   Kristen_Hammy     nhuntwalker         JenMsft   PeterHamilton 
##       0.1622389       0.1506816       0.2307269       0.2212805       0.1784957 
##      sarahstood     mcolacurcio marybethlambert 
##       0.2040247       0.1691871       0.2861118

Así, sabiendo que hay agujeros estructurales, podemos animarnos a asignar roles de brokerage.

Brokerage

Pensemos en una red que tiene tres particiones A, B, y C, es decir, los nodos están en sólo una de ellas, podemos asignar los siguientes roles:

El Coordinador: Al que media la comunicacíon dentro de su propia partición, es decir, el coordinador aCD se ubica así: ai->aCD->aj, ai,aCD,aj pertenecen a A.
El Consultor: Al que media la comunicacíon dentro de otra partición, es decir, el consultor bCT se ubica así: ai->bCT->aj, ai,aj pertenecen a A, bCT pertenece a B.
El Portero: Al que permite que una partición ajena se comunique con su propia partición, es decir, el portero bPT se ubica así: ai->bPT->bj, ai pertenece a A, y bPT, y bj pertenecen a B.
El Representante: Al que se acerca a otra partición con información de su propia partición, es decir, el representante aRP se ubica así: ai->aRP->bj, ai, y aRP pertenecen a A, y bi pertenecen a B.
El Enlace (liasion): Al que media entre particiones diferentes, es decir, el liason aLI se ubica así: bi->aLI->cj, bi pertenece a B, cj pertenece a C, aLI pertenece a A.

La librería igraph no calcula estos roles, pero si se puede con la librería statnet. Primero, se debe convertir la red de un formato a otro:

#install.packages("intergraph")
topsNet_giant_statnet <- intergraph::asNetwork(topsNet_giant)

Ahora, veamos los roles:

library(statnet)
brokerage(topsNet_giant_statnet,
          cl=get.vertex.attribute(topsNet_giant_statnet, "LVpartition"))$raw.nli

##                 w_I w_O b_IO b_OI b_O   t
## rachelerman      55   7   92   88  73 315
## mattmcilwain      5   3   10   18  11  47
## DaveParkerSEA    23   9   81   52  70 235
## toddbishop       66  70  224  151 215 726
## ashannstew        5   0    9   16  18  48
## LeslieFeinzaig    4  12   28   23  29  96
## akipman           0   0    0    1   0   1
## matt_oppy        16   3   34   23  21  97
## gilbert           4   1    8   21   9  43
## juliesandler     47  12   96   90  88 333
## BradSmi          12   1    9   17   8  47
## crashdev         19   5   26   58  40 148
## ShaunaCausey     69  14  113   96  67 359
## john_gabbert      0   0    1    1   0   2
## moniguzman       34  13   87   58  46 238
## mattmday         14   1   18   11   9  53
## Rich_Barton       4   0    3   11   4  22
## daryn             5   0    8    3   0  16
## lovelletters      4  18   52   39  87 200
## etzioni           7   3   33   22  19  84
## MissDestructo     0  15   41   21  56 133
## heatherredman     4  46   67   52 125 294
## danshapiro        3   0    7    5   2  17
## medinism          3   0    0    3   0   6
## KieranSnyder     13   5   26   31  23  98
## hadip             3   5   11   21  22  62
## RajSinghSeattle   4   0   11   20  13  48
## funcOfJoe         1   0    2    1   0   4
## kirbywinfield     0   8    9   17  22  56
## stevesi          16  18   43   78  73 228
## Ryanintheus      15   4   23   10   0  52
## sonalpmane        0   0   11    2   2  15
## SoGulley          9   1   19   10  12  51
## jinman            0   0    1    0   0   1
## Jenerationy       7   0   20    1   1  29
## lanctot           0   0    7    3   3  13
## Kristen_Hammy     2   0    6    9   7  24
## nhuntwalker       2   0    4    3   2  11
## JenMsft           0   0    2    2   5   9
## PeterHamilton     2   0    8    1   2  13
## sarahstood        2   0    6    0   0   8
## mcolacurcio       1   0    3    4   4  12
## marybethlambert   0   0    0    1   0   1

Un poco de traducción:

El Coordinador: w_I
El Consultor: w_O
El Portero: b_IO
El Representante:b_OI
El Enlace (liasion): b_O

Es decir: rachelerman ocupa 35 veces rol de Coordinador, 15 rol de Consultor, 85 de Portero, 100 de Representante, y 80 liasion.

Usando UCINET

Creemos el archivo de enlaces (edgelist) desde R:

enlaces=as_data_frame(topsNet_giant,what=‘edges’)
write.csv(enlaces,file.path(‘data’,“Seattle_giant_enlaces.csv”),row.names = F)

Puede descargar ese archivo desde la carpeta de datos en este momento.

Luego, desde Gephi, vayamos al Laboratorio de datos y descarguemos en CSV los atributos calculados por nodo, llame a ese archivo Seattle_giant_nodos.csv.

Figura 8. Guardando atributos desde Gephi (I).

Antes de crearlo, cerciorese de sólo seleccionar dos columnas, la que tiene el nombre, y la que tiene la partición por modularidad (Louvain). Sobretodo, evite guardar ID y LABEL, tal como se indica en la Figura 9.

Figura 9. Guardando atributos desde Gephi (II).

Ahora abrimos UCINET, y abrimos estos archivos desde el DL Editor:

Seattle_giant_enlaces.csv. Guardemoslo como un edgelist en UCINET, tal como se indica en la Figura 10.

Figura 10. Guardando edgelist en UCINET.

Seattle_giant_nodos.csv. Guardemoslo como un matrix en UCINET, tal como se indica en la Figura 11.

Figura 11. Guardando atributos de los nodos en UCINET.

Para calcular el constraint de los agujeros estructurales, sigamos los pasos indicados en las Figuras 12 y 13.

Figura 12. Métricas de los agujeros estructurales (I).

Figura 13. Métricas de los agujeros estructurales (II).

Para calcular los roles de brokerage, sigamos los pasos indicados en las Figuras 14 y 15.

Figura 14. Métricas de los brokerage (II).

Figura 15. Métricas de los brokerage (II).

Recuerda que el brokerage se ha calculado con tres particiones, según Gephi, y que en R lo hicimos con cuatro particiones.

Ejercicio

Para este ejercicio trabaje con toda la red de los innovadores de Seattle (no sólo con el mayor componente).

Importar el archivo topsNetFull.graphml en Gephi (está en su carpeta data); a esa red calcular las comunidades y exportar esos datos para UCINET.
Importar en UCINET la matriz de adyacencia seattleTop_adjMx.csv (está en su carpeta data); a esa matriz convertirla en red de UCINET.
Calcule los brokerage de esta red, y comente las diferencias más resaltantes que encuentra en relación a los roles brokerage antes calculados en UCINET para la red del mayor componente.

Prepara tu respuesta con texto e imagenes de lo obtenido en un GoogleDoc.